{"title":"Semantična segmentacija aerolaserskih oblakov točk in centriranje višin globalnih soseščin","authors":"Jernej Nejc Dougan, Krištof Oštir, Mateja Kristan","doi":"10.31449/upinf.vol28.num3.100","DOIUrl":null,"url":null,"abstract":"Aerolaserski oblaki tock so pomemben vir informacij v številnih prostorskih aplikacijah, kot na primer pri izdelavi digitalnih modelov terena ali kartiranju in popisu sredstev kriticne infrastrukture. Semantična segmentacija se lahko uporablja v vecini procesnih tokov obdelave aerolaserskih oblakov točk. V zadnjih letih najboljše rezultate za semanticno segmentacijo in klasifikacijo dosegajo metode globokega učenja. Na kakovost segmentacije med drugim vpliva izbor sosešcine točk in centriranje višine. V članku predstavimo in evalviramo razlicne metode za centriranje višin. Preizkuse smo izvedli na podatkovni zbirki ISPRS 3D Semantic Labelling, kjer smo s preprosto metodo centriranja najmanjše višine izboljšali rezultat za skoraj dva procenta.","PeriodicalId":393713,"journal":{"name":"Uporabna informatika","volume":null,"pages":null},"PeriodicalIF":0.0000,"publicationDate":"2020-10-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Uporabna informatika","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.31449/upinf.vol28.num3.100","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0
摘要
在许多空间应用中,如创建数字地形模型或绘制关键基础设施资产地图和清单,航空激光点云都是重要的信息来源。语义分割可用于大多数激光点云处理工作流程。近年来,深度学习方法取得了语义分割和分类的最佳效果。分割的质量受点邻域的选择和高度居中等因素的影响。在本文中,我们介绍并评估了不同的高度居中方法。 我们在 ISPRS 3D Semantic Labelling 数据集上进行了测试,其中一种简单的最小高度居中方法将结果提高了近 2%。
Semantična segmentacija aerolaserskih oblakov točk in centriranje višin globalnih soseščin
Aerolaserski oblaki tock so pomemben vir informacij v številnih prostorskih aplikacijah, kot na primer pri izdelavi digitalnih modelov terena ali kartiranju in popisu sredstev kriticne infrastrukture. Semantična segmentacija se lahko uporablja v vecini procesnih tokov obdelave aerolaserskih oblakov točk. V zadnjih letih najboljše rezultate za semanticno segmentacijo in klasifikacijo dosegajo metode globokega učenja. Na kakovost segmentacije med drugim vpliva izbor sosešcine točk in centriranje višine. V članku predstavimo in evalviramo razlicne metode za centriranje višin. Preizkuse smo izvedli na podatkovni zbirki ISPRS 3D Semantic Labelling, kjer smo s preprosto metodo centriranja najmanjše višine izboljšali rezultat za skoraj dva procenta.